Tải bản đầy đủ

HUONG DAN THUC HANH SPSS

Hướng dẫn thực hành SPSS cơ bản
SPSS 16.0

CÁCH THỨC TIẾN HÀNH LỆNH FREQUENCIES
(Tính tần số)
1. Sau khi mở file dữ liệu, vào menu Analyze  Descriptive Statistics  Frequencies

Màn hình sẽ xuất hiện hộp thoại sau:

Vẽ biểu đồ

2. Chọn biến muốn tính tần số (biến Place V1) bằng cách click chuột vào tên biến rồi
đưa sang khung Variable(s).
3. Click Ok. Trường hợp muốn vẽ biểu đồ thực hiện thêm bước 4 trước khi click Ok.
4. Để vẽ biểu đồ click chuột vào ô Charts…. Chọn dạng biểu đồ ở Chart type, chọn giá
trị thể hiện trên biểu đồ là số đếm (frequencies) hay phần trăm (percentages). Click
Continue để trở lại hộp thoại Frequencies  Ok để thực hiện lệnh.

1



Hướng dẫn thực hành SPSS cơ bản

2


Hướng dẫn thực hành SPSS cơ bản

TÍNH TRỊ TRUNG BÌNH (2 CÁCH)
CÁCH 1. DÙNG LỆNH FREQUENCY
1. Vào menu Analyze  Descriptive Statistics  Frequencies. Đưa biến cần tính trị
trung bình vào ô variables như bước 1 và 2 ở phần trước.
2. Click chọn thẻ Statistic, mở hộp thoại, và click chọn các thông số cần thiết:

3. Ý nghĩa một số thông số thông dụng:
Mean:
trung bình cộng
Sum:
tổng cộng (cộng tất cả các giá tị trong tập dữ liệu quan sát)
Std. Deviation: độ lệch chuẩn
Minimum:
giá trị nhỏ nhất
Maximum:
giá trị lớn nhất
S.E. mean:
sai số chuẩn khi ước lượng trị trung bình
CÁCH 2. DÙNG LỆNH DESCRIPTIVES
(Tính điểm trung bình)
1. Vào menu Analyze  Descriptive Statistics  Descriptives…, xuất hiện hộp thoại

3


Hướng dẫn thực hành SPSS cơ bản

2. Chọn 1 hay nhiều biến (định lượng) muốn tính điểm trung bình đưa vào khung
Variable(s).
3. Click vào ô Options… để xuất hiện hộp thoại Descriptive Options. Chọn các đại
lượng thống kê muốn tính toán bằng cách click vào ô vuông cần thiết.
4. Chọn cách sắp xếp kết quả tính toán theo thứ tự danh sách biến (Variable list), thứ tự
Alphabetic của nhãn biến, thứ tự tăng dần (Ascending list), và thứ tự giảm dần
(Descending list).
5. Click Continue để trở về hộp thoại Descriptive  Ok để thực hiện lệnh.

Ý nghĩa của từng giá trị trung bình đối với thang đo khoảng (Interval Scale)
Giá trị khoảng cách = (Maximum - Minimum) / n
= (5 -1) / 5
= 0.8
Giá trị trung bình

Ý nghĩa

1.00 - 1.80

Rất không đồng ý/Rất không hài lòng/Rất không quan trọng

1.81 - 2.60

Không đồng ý/Không hài lòng/ Không quan trọng

2.61 - 3.40

Không ý kiến/trung bình

3.41 - 4.20

Đồng ý/ Hài lòng/ Quan trọng

4.21 - 5.00

Rất đồng ý/ Rất hài lòng/ Rất quan trọng

4


Hướng dẫn thực hành SPSS cơ bản

CÁCH THỨC TIẾN HÀNH PHÂN TÍCH BẢNG CHÉO
(CROSSTABULATION)
Phân tích bảng chéo dùng để kiểm định mối quan hệ giữa các biến định tính với nhau
bằng cách dùng kiểm định Chi – bình phương (Chi-square). Cách thức tiến hành với SPSS
như sau:
1. Vào menu Analyze  Descriptive Statistics  Crosstabs…,

2. Xuất hiện hộp thoại sau:

3. Chọn và đưa các biến vào khung Row(s) (dòng) và Column(s) (cột) và Layer 1 of 1
(đối với trường hợp trên 2 biến).
4. Click vào ô Statistics, xuất hiện hộp thoại sau:
5


Hướng dẫn thực hành SPSS cơ bản

5. Chọn các kiểm định cần thiết. Trong trường hợp này ta dùng kiểm định Chi – bình
phương (Chi-square).
- Các kiểm định ở ô Norminal dùng để kiểm định mối liên hệ giữa các biến biểu
danh.
- Các kiểm định ở ô Ordinal dùng để kiểm định mối liên hệ giữa các biến thứ tự.
6. Click vào continue để trở lại hộp thoại Crosstabs  Click vào ô Cells, hộp thoại sau
xuất hiện:

7. Ở ô Counts
chọn Observed (thể hiện tần
số quan sát). Trong trường hợp muốn thể hiện tần số mong đợi chọn Expected.
8. Chọn cách thể hiện phần trăm theo dòng hay theo cột ở ô Percentages.
9. Click Continue để trở lại hộp thoại Crosstabs  Ok để thực hiện lệnh.
CÁCH ĐỌC KẾT QUẢ KIỂM ĐỊNH
6


Hướng dẫn thực hành SPSS cơ bản

Khi thực hiện kiểm định, ta có 2 giả thuyết.
H0: không có mối quan hệ giữa các biến.
H1: có mối quan hệ giữa các biến.
Để kết luận là chấp nhận hay bác bỏ giả thuyết H0, ta sẽ dùng các kiểm định phù hợp.
Dựa vào giá trị P (p-value) (SPSS viết tắt p-value là sig.) để kết luận là chấp nhận hay bác
bỏ giả thuyết H0
p-value (sig.) ≤ α (mức ý nghĩa)  bác bỏ giả thuyết H0. Có nghĩa là có mối quan hệ
có ý nghĩa giữa các biến cần kiểm định.
p-value (sig.) > α (mức ý nghĩa)  chấp nhận H0. Không có mối quan hệ giữa các
biến cần kiểm định.
ĐỐI VỚI KIỂM ĐỊNH CHI – BÌNH PHƯƠNG
Hàng đầu tiên của bảng Chi-square tests thể hiện giá trị P
Chi-Square Tests
Value
Pearson Chi-Square
Likelihood Ratio
Linear-by-Linear Association
N of Valid Cases

df

Asymp. Sig. (2-sided)

p-value

16.217a

8

.039

18.708

8

.017

.202

1

.653

511

a. 8 cells (44.4%) have expected count less than 5. The minimum expected count is 1.69.

Cuối bảng Chi-Square tests SPSS sẽ đưa ra dòng thông báo cho biết % số ô có tần
suất mong đợi dưới 5. Kiểm định Chi-bình phương chỉ có ý nghĩa khi số quan sát đủ lớn,
nếu có quá 20% số ô trong bảng chéo có tần số lý thuyết nhỏ hơn 5 thì giá trị chi-bình
phương không còn đáng tin cậy.
Trong ví dụ trên có đến 44.4% số ô có tần số mong đợi dưới 5, biện pháp cho trường
hợp này là ta sẽ gom các biểu hiện trên các biến lại để tăng số quan sát trong mỗi nhóm.

CÁCH THỨC TIẾN HÀNH KIỂM ĐỊNH GIẢ THUYẾT VỀ TRỊ TRUNG BÌNH
CỦA 2 TỔNG THỂ ĐỘC LẬP (Independent Samples T-test)
7


Hướng dẫn thực hành SPSS cơ bản

1. Vào menu Analyze  Compare Means  Independent-samples T-test

2. Chọn biến định lượng cần kiểm định trị trung bình đưa vào khung Test Variable(s).
Chọn biến định tính chia số quan sát thành 2 nhóm mẫu để so sánh giữa 2 nhóm này
với nhau đưa vào khung Grouping Variable.
3. Chọn Define Groups… để nhập mã số của 2 nhóm. Click Continue để trở lại hộp
thoại chính  Click Ok để thực hiện lệnh

Trong kiểm định Independent-samples T-test, ta cần dựa vào kết quả kiểm định sự
bằng nhau của 2 phương sai tổng thể (kiểm định Levene). Phương sai diễn tả mức độ đồng
đều hoặc không đồng đều (độ phân tán) của dữ liệu quan sát.
8


Hướng dẫn thực hành SPSS cơ bản
Independent Samples Test
A.Cleanliness and comfort of
room
Equal
variances

Equal variances

assumed

not assumed

Levene's Test for Equality of

F

.138

Variances

Sig.

.710

t-test for Equality of Means

t

-3.066

-3.040

df

509

448.100

Sig. (2-tailed)

.002

.003

-.231

-.231

.075

.076

Mean Difference
Std. Error Difference
95% Confidence Interval

Lower

-.379

-.380

of the Difference

Upper

-.083

-.082

Nếu giá trị Sig. trong kiểm định Levene (kiểm định F) < 0.05 thì phương sai của 2
tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances not assumed.
Nếu Sig. ≥ 0.05 thì phương sai của 2 tổng thể không khác nhau, ta sử dụng kết quả
kiểm định t ở dòng Equal variances assumed.
Trong VD trên Sig. của kiểm định F = 0.71 > 0.05  chấp nhận giả thuyết H0 không có sự
khác nhau về phương sai của 2 tổng thể  sử dụng kết quả ở dòng Equal variances
assumed.
Nếu Sig. của kiểm định t ≤ α (mức ý nghĩa)  có sự phác biệt có ý nghĩa về trung
bình của 2 tổng thể.
Nếu Sig. > α (mức ý nghĩa)  không có sự khác biệt có ý nghĩa về trung bình của 2
tổng thể.
Trong VD trên sig. = 0.002 < 0.05  có sự khác biệt có ý nghĩa về trung bình của 2 tổng
thể.

CÁCH THỨC TIẾN HÀNH KIỂM ĐỊNH GIẢ THUYẾT VỀ TRỊ TRUNG BÌNH
CỦA 2 TỔNG THỂ PHỤ THUỘC HAY PHỐI HỢP TỪNG CẶP
(Paired-Samples T-test)
9


Hướng dẫn thực hành SPSS cơ bản

1. Vào menu Analyze  Compare means  Paired-samples T-test

2. Chọn cặp biến muốn so sánh (nhấn giữ phím ctrl để chọn 2 biến) đưa vào khung
Paired Variable(s). Có thể chọn nhiều cặp để so sánh cùng 1 lúc.
3. Có thể chỉnh lại độ tin cậy bằng cách click vào ô Option, nhập độ tin cậy vào khung
Confidence Interval.
4. Click Ok để thực hiện lệnh.
5. Xem cách đọc kết quả kiểm định ở phần trên. Cũng dùng giá trị Sig.

10


Hướng dẫn thực hành SPSS cơ bản

CÁCH THỨC TIẾN HÀNH PHÂN TÍCH PHƯƠNG SAI
(ANOVA – Analysis of Variance)
Phân tích phương sai ANOVA là phương pháp so sánh trị trung bình của 3 nhóm trở
lên. Có 2 kỹ thuật phân tích phương sai: ANOVA 1 yếu tố (một biến yếu tố để phân loại các
quan sát thành các nhóm khác nhau) và ANOVA nhiều yếu tố(2 hay nhiều biến để phân
loại). Ở phần thực hành cơ bản chỉ đề cập đến phân tích phương sai 1 yếu tố (One-way
ANOVA).
Một số giả định đối với phân tích phương sai một yếu tố:
-

Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên.

-

Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được xem
như tiệm cận phân phối chuẩn.

-

Phương sai của các nhóm so sánh phải đồng nhất.

1. Từ menu Analyze  Compare Means  One-Way ANOVA, xuất hiện hộp thoại sau:

2 kỹ thuật dùng để
kiểm định sâu
ANOVA

2.

Đưa biến định
lượng (trị trung bình) vào khung Dependent list.
Đưa biến phân loại xác định các nhóm cần so sánh với nhau vào khung Factor.

3. Click vào nút Option để mở hộp thoại One-Way ANOVA Options.
Trong hộp thoại One-way ANOVA Options:
-

Click chọn ô Descriptive để tính đại lượng thống kê mô tả (tính trị trung bình)
theo từng nhóm so sánh.

-

Click chọn ô Homogeneity of variance test để kiểm định sự bằng nhau của các
phương sai nhóm (thực hiện kiểm định Levene).
11


Hướng dẫn thực hành SPSS cơ bản

4. Click chọn Continue để trở lại hộp thoại ban đầu  click Ok để thực hiện lệnh.
5. Dựa vào kết quả kiểm định ANOVA, nếu H 0 được chấp nhận thì kết luận không có sự
khác biệt có ý nghĩa giữa các nhóm với nhau. Nếu H 0 bị bác bỏ  có sự khác biệt có
ý nghĩa giữa các nhóm  trở lại hộp thoại One – way ANOVA để thực hiện kiểm
định sâu ANOVA nhằm xác định cụ thể trung bình của nhóm nào khác với nhóm nào,
nghĩa là tìm xem sự khác biệt của các nhóm xảy ra ở đâu.
6. Tuy nhiên có thể thực hiện kiểm định ANOVA và sâu ANOVA cùng lúc với nhau.
Dựa vào sự chấp nhận hay bác bỏ giả thuyết H 0 để quan tâm hay không quan tâm đến
kết quả kiểm định sâu ANOVA.

Phân tích sâu ANOVA – Xác định chỗ khác biệt
Có 2 phương pháp để phân tích sâu ANOVA, đó là kiểm định “trước” (kiểm định
Priori Contrasts) và kiểm định “sau” (kiểm định Post-Hoc test). Phương pháp kiểm định gần
với phương pháp nghiên cứu thực là Post-Hoc test. Nên trong phần này ta sẽ sử dụng PostHoc test để thực hiện kiểm định sâu ANOVA nhằm tìm ra chỗ khác biệt.
Các phương pháp kiểm định thống kê của Post-Hoc test thường được sử dụng:
-

LSD: đây là phép kiểm định dùng kiểm định t lần lượt cho từng cặp trung bình
nhóm, do vậy nhược điểm của nó là độ tin cậy không cao vì làm gia tăng mức độ
phạm sai lầm tương ứng với việc so sánh nhiều nhóm cùng một lúc.

-

Bonferroni: giống quy tắc của LSD nhưng điều chỉnh được mức ý nghĩa khi tiến
hành so sánh bội dựa trên số lần tiến hành so sánh. Đây là một trong những thủ
tục kiểm định đơn giản nhất và hay được sử dụng cho mục tiêu này.
12


Hướng dẫn thực hành SPSS cơ bản

-

Tukey: cũng được sử dụng phổ biến cho việc tìm kiếm các trung bình các nhóm
khác biệt. Nó sử dụng bảng phân phối Studentizze range distribution. Tukey hiệu
quả hơn Bonferroni khi số lượng các cặp trung bình cần so sánh khá nhiều.

-

R-E-G-W: thực hiện 2 bước kiểm định, đầu tiên tiến hành kiểm định lại toàn bộ
các giá trị trung bình nhóm xem có bằng nhau không; nếu không bằng thì bước kế
tiếp nó sẽ kiểm định để tìm các nhóm nào khác biệt thật sự với nhau về trị trung
bình. Nhưng kiểm định này không phù hợp khi kích cỡ các nhóm mẫu không
bằng nhau.

-

Dunnett: là thủ tục cho phép chọn so sánh các trị trung bình của các nhóm mẫu
còn lại với trị trung bình của một nhóm mẫu cụ thể nào đó được chọn ra so sánh
(nhóm điều khiển), SPSS mặc định chọn nhóm cuối (last) để làm nhóm điều
khiển.

Sử dụng kiểm định nào là tuỳ thuộc vào mục đích của nhà nghiên cứu và tình hình
thực tế nghiên cứu.

Đọc kết quả phân tích phương sai
1. Bảng đầu tiên thể hiện các đại lượng thống kê mô tả
Descriptives
Willingness to introduce
95% Confidence
Interval for Mean

N

Mean

Std.

Std.

Lower

Upper

Deviation

Error

Bound

Bound

Minimum

Maximum

Single

153

4.12

.811

.066

3.99

4.25

1.00

5

Married/Living with partner

341

4.28

.645

.035

4.22

4.35

1.00

5

Divorced

15

4.13

.743

.192

3.72

4.54

3.00

5

Widowed

2

4.50

.707

.500

-1.85

10.85

4.00

5

511

4.23

.704

.031

4.17

4.29

1.00

5

Total

2. Bảng thứ 2 thể hiện kết quả kiểm định Levene. Trong VD này Sig. = 0.273 > mức ý
nghĩa 0.1  chấp nhận giả thuyết H 0  phương sai các nhóm không khác nhau một
cách có ý nghĩa  có thể sử dụng kết quả phân tích ANOVA ở bảng tiếp theo.
Test of Homogeneity of Variances
Willingness to introduce
Levene Statistic
1.303

df1

df2
3

Sig.
507

.273

13


Hướng dẫn thực hành SPSS cơ bản

3. Bảng thứ 3 thể hiện kết quả kiểm định ANOVA. Trong VD này sig. = 0.089 < mức ý
nghĩa 0.1  bác bỏ giả thuyết H 0  có sự khác biệt có ý nghĩa về giá trị trung bình
của mức độ sẵn lòng giới thiệu của các nhóm tình trạng hôn nhân.
ANOVA
Willingness to introduce
Sum of Squares
Between Groups

df

Mean Square

3.228

3

1.076

Within Groups

249.523

507

.492

Total

252.751

510

F

Sig.

2.186

.089

4. Bảng thứ 4 thể hiện kết quả kiểm định sâu ANOVA (dùng kiểm định LSD).
Multiple Comparisons
Willingness to introduce
LSD
95% Confidence Interval

Mean
(I) Marital status

(J) Marital status

Single

Married/Living with partner

Married/Living with
partner

Divorced

Widowed

Difference (I-J) Std. Error

Sig.

Lower Bound

Upper Bound

*

.068

.015

-.30

-.03

Divorced

-.016

.190

.934

-.39

.36

Widowed

-.382

.499

.444

-1.36

.60

Single

.167

*

.068

.015

.03

.30

Divorced

.151

.185

.415

-.21

.51

Widowed

-.216

.498

.665

-1.19

.76

.016

.190

.934

-.36

.39

Married/Living with partner

-.151

.185

.415

-.51

.21

Widowed

-.367

.528

.488

-1.40

.67

Single

.382

.499

.444

-.60

1.36

Married/Living with partner

.216

.498

.665

-.76

1.19

Divorced

.367

.528

.488

-.67

1.40

Single

-.167

*. The mean difference is significant at the 0.05 level.

Dựa vào kết quả kiểm định LSD này, ta có thể kết luận chỉ có hai nhóm đã kết hôn và
độc thân là có sự khác nhau về mức độ sẵn lòng giới thiệu. Trong VD này nhóm đã kết hôn
sẽ sẵn lòng giới thiệu hơn nhóm độc thân (xem bảng thống kê mô tả).

14


Hướng dẫn thực hành SPSS cơ bản

MÔ HÌNH HỒI QUY TUYẾN TÍNH BỘI
1. Từ menu Analyze  Regression  Linear…

2. Xuất hiện hộp thoại sau:

-

Đưa biến phụ thuộc vào khung Dependent(s).

-

Đưa biến độc lập vào khung Independent(s).

3. Chọn phương pháp đưa biến vào ở ô Method.

15


Hướng dẫn thực hành SPSS cơ bản

-

Mặc định SPSS sẽ chọn phương pháp đưa biến vào là Enter. Đây là phương pháp
mà SPSS sẽ xử lý tất cả các biến độc lập mà nhà nghiên cứu muốn đưa vào mô
hình.

-

Phương pháp đưa vào dần (forward selection). Biến độc lập đầu tiên được xem
xét để đưa vào mô hình là biến có tương quan lớn nhất với biến phụ thuộc. Tiếp
tục SPSS sẽ xét điều kiện để đưa các biến độc lập còn lại vào mô hình. Nếu biến
đầu tiên không thoả điều kiện vào thì thủ tục này sẽ chấm dứt, không có biến nào
được đưa vào mô hình.

-

Phương pháp loại trừ dần (backward elimination). Đầu tiên tất cả các biến độc
lập được đưa vào mô hình, biến có hệ số tương quan nhỏ nhất sẽ được kiểm tra
đầu tiên, nếu không thoả điều kiện sẽ bị loại ra. Lúc này mô hình này sẽ được tính
toán lại mà không có biến độc lập vừa loại. Tiếp theo SPSS sẽ lặp lại thủ tục trên
cho đến khi nào giá trị F của biến có hệ số tương quan nhỏ nhất lớn hơn điều kiện
thì quá trình này sẽ dừng lại.
ô

-

Tham khảo điều kiện để đưa vào và loại ra PIN, FIN, FOUT, POUT.

Phương pháp chọn từng bước (stepwise selection) là sự kết hợp của phương pháp
đưa vào dần vào loại trừ dần và là phương pháp được sử dụng thông thường nhất.
ô

Sử dụng phương pháp đưa biến vào nào phụ thuộc vào tính chất của cuộc
nghiên cứu. Và phương pháp được sử dụng nhiều nhất là phương pháp chọn
từng bước (stepwise selection).

4. Click vào ô Statistics…, để mở hộp thoại sau:

-

Click chọn ô Collinearity diagnostics để kiểm tra hiện tượng Đa cộng tuyến
(Multicollinearity). Độ chấp nhận của biến (Tolerances) và hệ số phóng đại
16


Hướng dẫn thực hành SPSS cơ bản

phương sai (Variance inflation factor – VIF) được dùng để phát hiện hiện tượng
đa cộng tuyến. Quy tắc là khi VIF vượt quá 10 là dấu hiệu của đa cộng tuyến.
5. Click Continue để trở lại hộp thoại Linear Regressions  click Ok để thực hiện lệnh.
Các bước đánh giá mô hình
VD: sử dụng stepwsise để đưa các biến độc lập vào mô hình.
Mô hình: sự hài lòng của DK về điểm đến = α + β1 (sự hài lòng về dịch vụ lưu trú)
+ β2 (sự hài lòng về dịch vụ ăn uống)
+ β3 (sự hài lòng về dịch vụ mua sắm)
+ β4 (sự hài lòng về dịch vụ vận chuyển)
Giá trị Tolerances và VIF ở bảng số 3 (bảng Coefficients) cho thấy không hiện diện
hiện tượng đa cộng tuyến của các biến.  tiếp tục đánh giá mô hình.
1. Đánh giá độ phù hợp của mô hình
Hệ số xác định R2 và R2 hiệu chỉnh (Adjusted R square) được dùng để đánh giá độ phù
hợp của mô hình. Vì R2 sẽ tăng khi đưa thêm biến độc lập vào mô hình nên dùng R 2 hiệu
chỉnh sẽ an toàn hơn khi đánh giá độ phù hợp của mô hình. R 2 hiệu chỉnh càng lớn thể hiện
độ phù hợp của mô hình càng cao.
Model Summary
Adjusted R

Std. Error of the

Model

R

R Square

Square

Estimate

1

.618a

.382

.381

.461

2

.664b

.441

.439

.439

3

.677c

.459

.455

.432

4

.684d

.468

.463

.429

R2 hiệu chỉnh của mô hình số 4 là 0.463  46.3% sự biến thiên của mức độ hài lòng của
DK về điểm đến được giải thích bởi mối liên hệ tuyến tính của các biến độc lập.  Mức độ
phù hợp của mô hình tương đối cao. Tuy nhiên sự phù hợp này chỉ đúng với dữ liệu mẫu.
Để kiểm định xem có thể suy diễn mô hình cho tổng thể thực hay không ta phải kiểm định
độ phù hợp của mô hình.
2. Kiểm định độ phù hợp của mô hình
Giả thuyết H0: β1 = β2 = β3 = β4 = 0.
Để kiểm định độ phù hợp của mô hình hồi quy tuyến tính đa bội ta dùng giá trị F ở bàng
phân tích ANOVA sau:

17


Hướng dẫn thực hành SPSS cơ bản
ANOVAe
Model
1

Sum of Squares
Regression

df

Mean Square

66.904

1

66.904

Residual

108.216

509

.213

Total

175.119

510

Giá trị 2
Regression
77.248
của trị
Residual
97.872

Total
175.119
số 4
3
Regression
80.296
nhỏ (<
Residual
94.823
nghĩa)
Total
175.119
bỏ giả
H0  4
Regression
81.897
hình
Residual
93.223
hợp
Total
175.119
tập dữ
có thể suy rộng ra cho toàn tổng thể.

2

38.624

508

.193

F

Sig.

314.686

.000a

200.475

.000b

143.109

.000c

111.131

.000d

510
3

26.765

507

.187

510
4

20.474

506

.184

510

sig.
F của
hình
rất
mức ý
 bác
thuyết

phù
với
liệu và

3. Ý nghĩa các hệ số hồi quy riêng phần trong mô hình
Coefficientsa

Model
4

(Constant)

Unstandardized

Standardized

Coefficients

Coefficients

B

Std. Error

Beta

Collinearity Statistics
t

Sig.

Tolerance

VIF

1.172

.136

8.595

.000

.300

.041

.335 7.331

.000

.502

1.990

.168

.032

.218 5.168

.000

.589

1.697

Overall satisfaction Food

.139

.041

.150 3.404

.001

.538

1.857

Overall satisfaction Shopping

.103

.035

.121 2.947

.003

.624

1.603

Overall satisfaction
Accommodation
Overall satisfaction
Transportation

a. Dependent Variable: Overall satisfied

-

Ý nghĩa của hệ số riêng phần là βk đo lường sự thay đồi giá trị trung bình Y khi
Xk thay đổi 1 đơn vị, giữ các biến độc lập còn lại không đổi.

-

Hệ số Beta (cột thứ 4 từ bên trái) được dùng để so sánh khi các biến độc lập
không cùng đơn vị đo lường.

-

Ở VD này ta có thể viết lại mô hình như sau:
18


Hướng dẫn thực hành SPSS cơ bản

Hài lòng về điểm đến = 1.172 + 0.300(hài lòng về lưu trú) + 0.168(hài lòng về vận chuyển)
+ 0.139(hài lòng về ăn uống) + 0.103(hài lòng về mua sắm).
Giải thích mô hình: Phương trình hồi quy bội được phương pháp stepwise ước
lượng cho thấy sự hài lòng của du khách về 4 dịch vụ: lưu trú, vận chuyển, ăn uống, và mua
sắm có tác động tỷ lệ thuận với sự hài lòng chung của du khách về điểm đến. Trong đó sự
hài lòng về dịch vụ lưu trú có tác động mạnh nhất đến sự hài lòng về điểm đến.

MỘT SỐ BIỆN PHÁP KHẮC PHỤC HIỆN TƯỢNG ĐA CỘNG TUYẾN TRONG
MÔ HÌNH HỒI QUY TUYẾN TÍNH
(Đề nghị tham khảo chi tiết hơn trong giáo trình Kinh tế lượng của Tiến sĩ Mai Văn Nam)
1. Sử dụng thông tin tiên nghiệm
Thông tin tiên nghiệm có thể từ các công việc thực tế trước đây trong đó đã xảy ra hiện
tượng cộng tuyến nhưng ít nghiêm trọng hoặc từ các lý thuyết tương ứng trong lĩnh vực
nghiên cứu.
2. Loại trừ một biến giải thích ra khỏi mô hình
Bước 1: Xem cặp biến có quan hệ chặc chẽ. Giả sử X 3 và X4 có tương quan chặc chẽ với
nhau.
Bước 2: Tính R2 đối với các hàm hồi quy: có mặt cả 2 biến; không có mặt 1 trong 2 biến.
Bước 3: Loại biến mà giá trị R2 tính được khi không có mặt biến đó lớn hơn.
VD: R2 của hàm có mặt 2 biến là 0.94; R 2 của mô hình không có biến X3 là 0.92; R2 của mô
hình không có biến X4 là 0.87  loại biến X3 ra khỏi mô hình.
3. Thu thập thêm số liệu hoặc lấy mẫu mới
Vấn đề đa cộng tuyến là một đặc tính của mẫu, có thể là trong một mẫu khác, các biến
cộng tuyến có thể không nghiêm trọng như trong mẫu đầu tiên. Vì vậy, tăng cỡ mẫu có thể
làm giảm bớt vấn đề cộng tuyến.

19


Hướng dẫn thực hành SPSS cơ bản

HỒI QUY BINARY LOGISTIC
Hồi quy Binary Logistic sử dụng biến phụ thuộc dạng nhị phân để ước lượng xác
suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có được. Khi biến phụ
thuộc ở dạng nhị phân ( hai biểu hiện 0 và 1) thì không thể phân tích với dạng hồi quy thông
thường mà phải sử dụng hồi quy Binary Logistic.
I.

Cách thức tiến hành phân tích hồi quy Binary Logistic với SPSS

1. Vào menu Analyze  Regression  Binary Logistic, xuất hiện hộp thoại sau:

2. Đưa biến phụ thuộc Y dạng nhị phân vào ô dependent, và biến độc lập sang khung
Covariate.
3. Chọn phương pháp đưa biến vào (Method) tương tự như hồi quy tuyến tính thông
thường. Tuy nhiên điều kiện căn cứ trên số thống kê likelihood-ratio (tỷ lệ thích hợp)
hay số thống kê Wald.
-

Enter: đưa vào bắt buộc, các biến trong khối biến độc lập được đưa vào trong một
bước.

-

Forward: Conditional là phương pháp đưa dần vào theo điều kiện. Nó kiểm tra
việc loại biến căn cứ trên xác suất của số thống kê Likelihood-ratio dựa trên
những ước lượng thông số có điều kiện.

-

Forward: LR là phương pháp đưa dần vào kiểm tra việc loại biến căn cứ trên xác
suất của số thống kê Likelihood-ratio dựa trên ước lượng khả năng xảy ra tối đa
(maximum-likelihood estimates).

-

Forward: Wald là phương pháp đưa dần vào kiểm tra việc loại biến căn cứ trên
xác suất của số thống kê Wald.

20


Hướng dẫn thực hành SPSS cơ bản

-

Backward: Conditional là phương pháp loại trừ dần theo điều kiện. Nó kiểm tra
việc loại biến căn cứ trên xác suất của số thống kê Likelihood-ratio dựa trên
những ước lượng thông số có điều kiện.

-

Backward: LR là phương pháp loại trừ dần vào kiểm tra việc loại biến căn cứ trên
xác suất của số thống kê Likelihood-ratio dựa trên ước lượng khả năng xảy ra tối
đa.

-

Backward: Wald là phương pháp đưa dần vào kiểm tra việc loại biến căn cứ trên
xác suất của số thống kê Wald.

-

Stepwise: hồi quy từng bước, số thống kê được sử dụng cho các biến được đưa
vào và loại ra căn cứ trên số thống kê Likelihood-ratio, hay số thống kê Wald.

4. Để hiện đồ thị phân loại giá trị thật và giá trị dự báo của biến phụ thuộc, chọn
Option, chọn Classification plots trong phần Statistics and plots. Click Continue trở
về hộp thoại đầu tiên.

5. Muốn tính được giá trị dự đoán, là xác suất mà một đối tượng sẽ … (biến phụ thuộc
Y), ta chọn Predict value trong hộp thoại Save. Chọn Continue  Ok để thực hiện
lệnh.

21


Hướng dẫn thực hành SPSS cơ bản

II.

Cách thức đọc kết quả phân tích hồi quy Binary Logistic

Ví dụ: sử dụng phương pháp đưa biến vào mặc định là Enter. Phân tích mức độ ảnh
hưởng của sự hài lòng về 4 dịch vụ đến mức độ hài lòng chung về điểm đến khi đi du lịch
của du khách.
Y: mức độ hài lòng chung về điểm đến (0: không hài lòng, 1: hài lòng)
X1  X4: mức độ hài lòng về 4 dịch vụ (tương tự như phần hồi quy tuyến tính)
Thực hiện các bước trên để tiến hành phân tích. Kết quả xuất hiện với rất nhiều bảng.
Ta sẽ chú ý phân tích các bảng sau:

Bảng 1. Omnibus Tests of Model Coefficients
Chi-square
Step 1

df

Sig.

Step

178.459

4

.000

Block

178.459

4

.000

Model

178.459

4

.000

Ở bảng 1, ta đọc kết quả kiểm định H 0: 1 = 2 = … = k = 0. Kiểm định này xem xét
khả năng giải thích biến phụ thuộc của tổ hợp biến độc lập.
Kết quả ở bảng 1 cho thấy độ phù hợp tổng quát có mức ý nghĩa quan sát sig. = 0,000
nên ta bác bỏ H0. Nghĩa là tổ hợp liên hệ tuyến tính của toàn bộ các hệ số trong mô hình có
ý nghĩa trong việc giải thích cho biến phụ thuộc.
Bảng 2. Model Summary

Step
1

-2 Log likelihood

Cox & Snell R

Nagelkerke R

Square

Square

26.793a

.595

.769

a. Estimation terminated at iteration number 6 because
parameter estimates changed by less than .001.

Bảng 2 thể hiện kết quả độ phù hợp của mô hình. Khác với hồi quy tuyến tính thông
thường hệ số R2 càng lớn thì mô hình càng phù hợp, hồi quy Binary Logistic sử dụng chỉ
tiêu -2LL (-2 log likelihood) để đánh giá độ phù hợp của mô hình. -2LL càng nhỏ càng thể
hiện độ phù hợp cao. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình
có độ phù hợp hoàn hảo.
Kết quả bảng 2 cho thấy giá trị của -2LL = 26,472 không cao lắm, như vậy nó thể
hiện một độ phù hợp khá tốt của mô hình tổng thể.

22


Hướng dẫn thực hành SPSS cơ bản

Bảng 3. Classification Tablea
Predicted
Satisfied dummy
Observed
Step 1

Dissatisfied

Satisfied dummy

Percentage

Satisfied

Correct

Dissatisfied

51

49

51.0

Satisfied

22

389

94.6

Overall Percentage

86.1

a. The cut value is .500

Mức độ chính xác cũng được thể hiện ở bảng 3, bảng này cho thấy trong 73 trường hợp
không hài lòng về điểm đến (xem theo cột) mô hình đã dự đoán đúng 49 trường hợp (xem theo
hàng), vậy tỷ lệ đúng là 51%. Còn với 438 trường hợp hài lòng về điểm đến, mô hình dự đoán sai
22 trường hợp, tỷ lệ đúng là 94,6%. Từ đó ta tính được tỷ lệ dự đoán đúng của toàn bộ mô hình là
86,1%.
Bảng 4. Variables in the Equation
B
Step 1a

Satisfied with Accom

S.E.

Wald

df

Sig.

Exp(B)

1.567

.255

37.812

1

.000

4.794

Satisfied with Food

.435

.249

3.051

1

.031

1.546

Satisfied with Shopping

.672

.222

9.164

1

.002

1.959

Satisfied with Transp

.918

.228

16.273

1

.000

2.505

-11.737

1.347

75.891

1

.000

.000

Constant

a. Variable(s) entered on step 1: Q3.2.a, Q3.2.f, Q3.2.s, Q3.2.t.

Bảng 4 thể hiện kết quả của kiểm định Wald (kiểm định giả thuyết hồi quy khác
không). Nếu hệ số hồi quy B0 và B1 đều bằng 0 thì tỷ lệ chênh lệch giữa các xác suất sẽ
bằng 1, tức xác suất để sự kiện xảy ra hay không xảy ra như nhau, lúc đó mô hình hồi quy
không có tác dụng dự đoán.
Đối với hồi quy tuyến tính sử dụng kiểm định t để kiểm định giả thuyết H 0: k=0.
Còn đối với hồi quy Binary Logistic, đại lượng Wald Chi Square được sử dụng để kiểm định
ý nghĩa thống kê của hệ số hồi quy tổng thể.
Kết quả bảng 4 cho thấy mức độ hài lòng về 4 dịch vụ có giá trị p (sig.) nhỏ hơn mức
ý nghĩa  = 0,05  bác bỏ H0. Như vậy các hệ số hồi quy tìm được có ý nghĩa và mô hình
được sử dụng tốt.

23


Hướng dẫn thực hành SPSS cơ bản

Từ các hệ số hồi quy này ta viết được phương trình:

Diễn giải ý nghĩa của các hệ số hồi quy Binary Logistic như sau:
Mức độ hài lòng về 4 dịch vụ đều làm tăng mức độ hài lòng chung về điểm
đến , trong đó hài lòng về DV lưu trú tác động mạnh nhất. Cụ thể tác động biên
của mức độ hài lòng về DV lưu trú lên mức độ hài lòng chung với xác suất ban
đầu = 0,5 thì tác động này bằng 0,5(1-0,5)1,57 = 0,3925.
VẬN DỤNG MÔ HÌNH HỒI QUY BINARY LOGISTIC CHO MỤC ĐÍCH DỰ BÁO
Mô hình hồi quy Binary Logistic có thể được áp dụng để dự báo khả năng trả nợ khi
đối tượng đi vay hay dự báo nhu cầu sử dụng một sản phẩm cụ thể nào đó. Ta sử dụng công
thức sau:

24


Hướng dẫn thực hành SPSS cơ bản

CÁCH THỨC TIẾN HÀNH PHÂN TÍCH NHÂN TỐ
1. Từ menu Analyze  Data Reduction  Factor

2. Xuất hiện hộp thoại sau:

3. Chọn tất cả các biến cần gom nhóm vào ô Variables.
4. Click chọn ô Descriptives…, xuất hiện hộp thoại sau:

-

Chọn các tham số thống kê mô tả.
25


Tài liệu bạn tìm kiếm đã sẵn sàng tải về

Tải bản đầy đủ ngay

×

×